🔍 耿同学打假报告

论文信息

标题：DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection
作者：Haoyang He, Jiangning Zhang, Hongxu Chen, Xuhai Chen, Zhishan Li, Xu Chen, Yabiao Wang, Chengjie Wang, Lei Xie
机构：浙江大学 (Zhejiang University), 腾讯优图实验室
期刊/会议：疑似 AAAI 2024 或其他顶级 AI 会议（根据引用格式推断）
来源：DiDA.pdf

这篇论文提出了一种基于扩散模型的多类异常检测框架 DiAD。虽然创新性听起来不错，但在数学公式、实验数据稳定性以及硬件可行性上存在诸多令人困惑的疑点。如果这是真金白银的实验结果，那作者的显卡一定有着与众不同的物理法则。

位置：Method 章节，公式 (9) 及其上下文
描述：文中声称使用余弦相似度计算异常分数。公式 (9) 写为：
$M_n(x_0, \hat{x}_0) = 1 - \frac{(\Psi^n(x_0, \hat{x}_0))^T \cdot \Psi^n(x_0, \hat{x}_0)}{||\Psi^n(x_0, \hat{x}_0)|| \cdot ||\Psi^n(x_0, \hat{x}_0)||}$
证据：
1. 根据描述， $\Psi$ 是一个特征提取器，输入应为单张图片。但公式中 $\Psi$ 却同时输入了 $$x_0$$ 和 $\hat{x}_0$ 。
2. 退一步讲，假设 $\Psi(x_0, \hat{x}_0)$ 输出一个向量，上述公式计算的是该向量的自相关（平方）除以范数的平方。根据向量点乘性质， $\frac{A^T \cdot A}{||A|| \cdot ||A||} = 1$ 。
3. 因此，整个公式简化为 $$1 - 1 = 0$$ 。这意味无论输入什么图片，计算出的异常分数在理论上永远是 0。
4. 如果作者真的用这个公式跑出了实验结果，那结果全是 0；如果结果不是 0，说明论文中的公式和代码里用的完全是两码事，属于严重的图文不符或笔误。
严重程度：🔴 实锤（公式错误） / 🟠 高度可疑（代码与论文一致性存疑）

位置：Appendix, Table 10 (Effect of DDIM sampler steps)
描述：验证 DDIM 采样步数对结果影响的消融实验。
证据：
- 从 Step 10 到 Step 200，seg 指标的数据为：96.8, 96.8, 96.7, 96.7, 96.8。
- cls 指标的数据为：97.2, 97.1, 97.0, 96.8, 96.9。
- 在如此大范围的步数变化（20到200）中，指标的波动极小（仅在小数点后一位抖动），且呈现出一种诡异的对称或周期性（96.8 -> 96.7 -> 96.7 -> 96.8）。
- 通常扩散模型随步数增加会有明显的性能爬升或波动，如此平滑且几乎不变的数据，让人怀疑是否是编造的，或者实验根本没有真正进行多次独立验证。
严重程度：🟡 存疑（也可能是模型确实极其稳定，但结合其他疑点，很难让人信服）

位置：Introduction & Figure 1
描述：作者声称 LDM 会产生 "semantic errors"，而自己的方法能保留语义。
证据：虽然在文本上逻辑自洽，但在没有原始图片的情况下，无法确认 Figure 1 展示的 "Bad Case" 是否是为了突出自己方法而刻意挑选的极端情况。这属于写作技巧范畴，不算造假，但读者需警惕。

这篇论文的公式（Eq. 9）简直是数学界的“无效社交”——算了一大圈，结果全是 0。这就像你写了一段惊天动地的代码，最后发现 return 0; 写死在了第一行。

更离谱的是，作者试图让我们相信，能用一台 32GB 显存的 V100，把一个 14 亿参数的巨型模型跑出 Batch Size 12 的效果。这显卡是镶了金边还是通了量子纠缠？如果是真的，建议作者下次论文投 Nature，标题就叫《如何在 32GB 显存里装下整个世界》。

这数据稳得就像我那从不变心的体重秤，只不过我的体重秤是坏了，这数据是不是也“坏”了？